TWI669750B - 用於影像分析之方法及設備 - Google Patents
用於影像分析之方法及設備 Download PDFInfo
- Publication number
- TWI669750B TWI669750B TW106143866A TW106143866A TWI669750B TW I669750 B TWI669750 B TW I669750B TW 106143866 A TW106143866 A TW 106143866A TW 106143866 A TW106143866 A TW 106143866A TW I669750 B TWI669750 B TW I669750B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- image
- patterning
- mathematical model
- logical
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
- G03F1/80—Etching
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本發明揭示一種方法,其包括:獲得預測使用一圖案化程序而產生之一實體結構之形成的一邏輯數學模型;評估該邏輯數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。
Description
本發明之描述係關於用於影像之偵測、對齊及高解析度地量化之方法及設備。
微影設備為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影設備可用於例如積體電路(IC)之製造中。在彼情況下,圖案化器件(其替代地被稱作光罩或倍縮光罩)可用以產生待形成於IC之個別層上之電路圖案。可將此圖案轉印至基板(例如矽晶圓)上之目標部分(例如包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上來進行圖案之轉印。一般而言,單一基板將含有經順次地圖案化之鄰近目標部分之網路。已知微影設備包括:所謂的步進器,其中藉由一次性將整個圖案曝光至目標部分上來輻照每一目標部分;及所謂的掃描器,其中藉由在給定方向(「掃描」方向)上經由輻射光束而掃描圖案同時平行或反平行於此方向而同步地掃描基板來輻照每一目標部分。亦有可能藉由將圖案壓印至基板上而將圖案自圖案化器件轉印至基板。
製造諸如半導體器件之器件通常涉及使用數個製造程序來處理基板(例如半導體晶圓)以形成該等器件之各種特徵及多個層。通常使用例如沈積、微影、蝕刻、化學機械拋光及離子植入來製造及處理此類層及特徵。可在一基板上之複數個晶粒上製造多個器件,且接著將該等器件分離成個別器件。此器件製造程序可被認為是圖案化程序。圖案化程序涉及圖案化步驟,諸如使用微影設備之光學及/或奈米壓印微影,以在基板上提供圖案且通常但視情況涉及一或多個相關圖案處理步驟,諸如藉由顯影設備之抗蝕劑顯影、使用烘烤工具烘烤基板、使用蝕刻設備使用圖案進行蝕刻等。另外,通常在圖案化程序中涉及一或多個度量衡程序。 在圖案化程序期間在各種步驟下使用度量衡程序以監控及控制該程序。舉例而言,度量衡程序係用以量測基板之一或多個特性,諸如在圖案化程序期間形成於基板上之特徵之相對部位(例如對齊、疊對、對準等)或尺寸(例如線寬、臨界尺寸(CD)、厚度等),使得例如可自該一或多個特性判定圖案化程序之效能。若該一或多個特性係不可接受的(例如在特性之預定範圍之外),則該一或多個特性之量測可用以變更圖案化程序之一或多個參數/變數使得藉由圖案化程序製造之另外基板具有可接受的特性。 幾十年來,隨著微影及其他圖案化程序技術之改進,功能性元件之尺寸已不斷地縮減,而每器件功能性元件(諸如電晶體)之量已穩定地增加。同時,對在疊對、臨界尺寸(CD)等方面之準確度要求已變得愈來愈嚴格。將在圖案化程序中不可避免地產生誤差,諸如疊對誤差、CD誤差等。舉例而言,可自光學像差、圖案化器件加熱、圖案化器件誤差及/或基板加熱產生成像誤差,且可依據例如疊對誤差、CD誤差等來特性化成像誤差。另外或替代地,可在圖案化程序之其他部分中(諸如在蝕刻、顯影、烘烤等中)引入誤差,且相似地,可依據(例如)疊對誤差、CD誤差等來特性化該等誤差。該等誤差可直接造成在器件之功能方面之問題,包括器件運行之故障,或運行器件之一或多個電氣問題。 如上文所提及,在圖案化程序中,需要頻繁地進行所產生結構之量測,例如以用於程序控制及驗證。通常量測或判定該等結構之一或多個參數,例如結構之臨界尺寸、形成於基板中或上之順次層之間的疊對誤差等。存在用於對在微影程序中形成之顯微結構進行量測的各種技術。用於進行此類量測之各種工具係已知的,包括但不限於常常用於量測臨界尺寸(CD)之掃描電子顯微鏡(SEM)。SEM具有高解析能力且能夠解析大約50奈米、10奈米或小於10奈米之特徵。半導體器件之SEM影像常常用於半導體製造中以觀測在器件位階處正發生何種情形。 器件結構之SEM影像中所含有之資訊可用於程序模型化、現有模型校準、缺陷偵測、估計或分類、產率估計、程序控制或監控等。可處理此類SEM影像以提取該影像中描述表示器件結構之物件之邊緣的輪廓。接著在使用者定義之切割線處經由諸如CD之度量量化此等輪廓。因此,通常經由諸如對經提取輪廓量測之邊緣之間距離(CD)或影像之間的簡單像素差之過分簡單化度量來比較及量化器件結構之影像。此等過分簡單化度量可並未允許識別準確及描述性的多變量模型,且因此例如並未允許精確地控制產率。 為了實現例如改良之模型識別、缺陷偵測、程序控制等,需要提供用以處理使用一圖案化程序而產生的一或多個結構之一或多個影像且獲得自用於該圖案化程序中之設計圖案預測所得圖案(例如顯影後、蝕刻後等)之模型的技術。舉例而言,運用此模型,可判定是否存在預期或未預期之缺陷。另外,可需要在影像中識別在何處發生預期之缺陷。缺陷可包括薄化或頸縮(例如線薄化或頸縮)、橋接或短路、開路或斷開、拉回(例如線端拉回)等。此等缺陷中之一或多者可為產率損害疵點。另外,該模型可用於例如基於自該模型導出之經預測CD之程序控制。 在一實施例中,提供一種方法,其包含:獲得預測使用一圖案化程序而產生之一實體結構之形成的一邏輯數學模型;藉由一硬體電腦評估該邏輯數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 在一實施例中,提供一種方法,其包含:獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及藉由一硬體電腦將該影像之個別像素用作獨立結果以參數化預測使用該圖案化程序而產生之一實體結構之一部分之形成的一數學模型。 在一實施例中,提供一種方法,其包含:獲得包含藉由一提昇機器學習演算法而判定之複數個分類器模型的一組合數學模型,該組合數學模型預測使用一圖案化程序而產生之一實體結構之形成;藉由一硬體電腦評估該組合數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 在一實施例中,提供一種方法,其包含:獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及藉由一硬體電腦執行一提昇機器學習演算法以參數化複數個分類器模型,該提昇機器學習演算法將該經量測影像之像素之值用作結果,且該等分類器模型之一組合預測使用該圖案化程序而產生之一實體結構之一部分的形成。 在一態樣中,提供一種製造器件之方法,其中使用一圖案化程序將一器件圖案施加至一系列基板,該方法包括使用如本文中所描述之該方法使用該圖案化程序來評估一設計圖案以供處理;及根據該方法之結果針對該等基板中之一或多者而控制該圖案化程序。 在一態樣中,提供一種非暫時性電腦程式產品,其包含經組態以致使一處理器執行本文中所描述之一方法之機器可讀指令。 在一態樣中,提供一種系統,其包含:一掃描電子顯微鏡,其經組態以提供一以微影方式產生之結構之一影像;及一影像分析引擎,其包含本文中所描述之該非暫時性電腦程式產品。在一實施例中,該系統進一步包含一微影設備,該微影設備包含:一支撐結構,其經組態以固持用以調變一輻射光束之一圖案化器件;及一投影光學系統,其經配置以將該經調變投影至一輻射敏感基板上。
在詳細地描述實施例之前,有指導性的是呈現可供實施實施例之實例環境。 圖1示意性地描繪微影設備LA。該設備包含: - 照明系統(照明器) IL,其經組態以調節輻射光束B (例如DUV輻射或EUV輻射); - 支撐結構(例如光罩台) MT,其經建構以支撐圖案化器件(例如光罩) MA,且連接至經組態以根據某些參數來準確地定位該圖案化器件之第一定位器PM; - 基板台(例如晶圓台) WTa,其經建構以固持基板(例如抗蝕劑塗佈晶圓) W,且連接至經組態以根據某些參數來準確地定位該基板之第二定位器PW;及 - 投影系統(例如折射投影透鏡系統) PS,其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如包含一或多個晶粒)上。 照明系統可包括用於導向、塑形或控制輻射的各種類型之光學組件,諸如折射、反射、磁性、電磁、靜電或其他類型之光學組件或其任何組合。 圖案化器件支撐結構以取決於圖案化器件之定向、微影設備之設計及其他條件(諸如圖案化器件是否被固持於真空環境中)之方式來固持圖案化器件。圖案化器件支撐結構可使用機械、真空、靜電或其他夾持技術以固持圖案化器件。圖案化器件支撐結構可為例如框架或台,其可根據需要而固定或可移動。圖案化器件支撐結構可確保圖案化器件(例如)相對於投影系統處於所要位置。可認為本文中對術語「倍縮光罩」或「光罩」之任何使用皆與更一般之術語「圖案化器件」同義。 本文所使用之術語「圖案化器件」應被廣泛地解譯為係指可用以在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何器件。應注意,舉例而言,若被賦予至輻射光束之圖案包括相移特徵或所謂的輔助特徵,則該圖案可不確切地對應於基板之目標部分中之所要圖案。通常,被賦予至輻射光束之圖案將對應於目標部分中所產生之器件(諸如積體電路)中的特定功能層。 圖案化器件可為透射的或反射的。圖案化器件之實例包括光罩、可程式化鏡面陣列,及可程式化LCD面板。光罩在微影中係熟知的,且包括諸如二元、交變相移及衰減相移之光罩類型,以及各種混合式光罩類型。可程式化鏡面陣列之一實例使用小鏡面之矩陣配置,該等小鏡面中之每一者可個別地傾斜,以便使入射輻射光束在不同方向上反射。傾斜鏡面在由鏡面矩陣反射之輻射光束中賦予圖案。 本文中所使用之術語「投影系統」應被廣泛地解譯為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統,包括折射、反射、反射折射、磁性、電磁及靜電光學系統,或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」同義。 如此處所描繪,設備屬於透射類型(例如使用透射光罩)。替代地,設備可屬於反射類型(例如使用如上文所提及之類型之可程式化鏡面陣列,或使用反射光罩)。 微影設備可屬於具有兩個(雙載物台)或多於兩個台(例如兩個或多於兩個基板台、兩個或多於兩個圖案化器件支撐結構,或一基板台及度量衡台)之類型。在此類「多載物台」機器中,可並行地使用額外台,或可對一或多個台進行預備步驟,同時將一或多個其他台用於圖案轉印。 微影設備亦可屬於如下類型:其中基板之至少一部分可由具有相對高折射率之液體(例如水)覆蓋,以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間,例如光罩與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增大投影系統之數值孔徑。本文中所使用之術語「浸潤」並不意謂諸如基板之結構必須浸沒於液體中,而是僅意謂液體在曝光期間位於投影系統與基板之間。 參看圖1,照明器IL自輻射源SO接收輻射光束。舉例而言,當源為準分子雷射時,源及微影設備可為單獨實體。在此類狀況下,不認為源形成微影設備之部分,且輻射光束係憑藉包括例如合適導向鏡及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照明器IL。在其他狀況下,舉例而言,當源為水銀燈時,源可為微影設備之整體部分。源SO及照明器IL連同光束遞送系統BD在需要時可被稱作輻射系統。 照明器IL可包括用於調整輻射光束之角強度分佈之調整器AD。通常,可調整照明器之光瞳平面中之強度分佈的至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外,照明器IL可包括各種其他組件,諸如積光器IN及聚光器CO。照明器可用以調節輻射光束,以在其橫截面中具有所要均一性及強度分佈。 輻射光束B入射於被固持於圖案化器件支撐件(例如光罩台MT)上之圖案化器件(例如光罩) MA上,且係由該圖案化器件而圖案化。在已橫穿圖案化器件(例如光罩) MA之情況下,輻射光束B傳遞通過投影系統PS,投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF (例如干涉器件、線性編碼器、2D編碼器或電容式感測器),可準確地移動基板台WTa,例如以便使不同目標部分C定位於輻射光束B之路徑中。相似地,第一定位器PM及另一位置感測器(其未在圖1中被明確地描繪)可用以例如在自光罩庫之機械擷取之後或在掃描期間相對於輻射光束B之路徑來準確地定位圖案化器件(例如光罩) MA。一般而言,可憑藉形成第一定位器PM之部分之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現圖案化器件支撐件(例如光罩台) MT之移動。相似地,可使用形成第二定位器PW之部分之長衝程模組及短衝程模組來實現基板台WTa之移動。在步進器(相對於掃描器)之狀況下,圖案化器件支撐件(例如光罩台) MT可僅連接至短衝程致動器,或可固定。 可使用光罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如光罩) MA及基板W。儘管如所說明之基板對準標記佔據專用目標部分,但該等基板對準標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地,在多於一個晶粒提供於圖案化器件(例如光罩) MA上之情形中,可將光罩對準標記定位於該等晶粒之間。小對準標記物亦可包括於器件特徵當中之晶粒內,在此狀況下,需要使標記物儘可能地小且無需與鄰近特徵不同的任何圖案化或其他程序條件。下文中進一步描述可偵測對準標記物之對準系統之實施例。 所描繪設備可用於以下模式中之至少一者中: - 在步進模式中,在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時,使圖案化器件支撐件(例如光罩台) MT及基板台WTa保持基本上靜止(亦即,單次靜態曝光)。接著,使基板台WTa在X及/或Y方向上移位,使得可曝光不同目標部分C。在步進模式中,曝光場之最大大小限制單次靜態曝光中所成像之目標部分C之大小。 - 在掃描模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,同步地掃描圖案化器件支撐件(例如光罩台) MT及基板台WTa (亦即,單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WTa相對於圖案化器件支撐件(例如光罩台) MT之速度及方向。在掃描模式中,曝光場之最大大小限制單次動態曝光中之目標部分之寬度(在非掃描方向上),而掃描運動之長度判定目標部分之高度(在掃描方向上)。 - 在另一模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,使圖案化器件支撐件(例如光罩台) MT保持基本上靜止,從而固持可程式化圖案化器件,且移動或掃描基板台WTa。在此模式中,通常使用脈衝式輻射源,且在基板台WTa之每一移動之後或在掃描期間的順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如上文所提及之類型之可程式化鏡面陣列)之無光罩微影。 亦可使用上文所描述之使用模式之組合及/或變化或完全不同的使用模式。 微影設備LA屬於所謂的雙載物台類型,其具有兩個台WTa、WTb (例如兩個基板台)以及兩個站-曝光站及量測站-在該兩個站之間可交換該等台。舉例而言,在曝光站處曝光一個台上之基板的同時,可在量測站處將另一基板裝載至另一基板台上且進行各種預備步驟。預備步驟可包括使用位階感測器LS來映射基板之表面控制,及使用對準感測器AS來量測基板上之對準標記物之位置,兩個感測器皆由參考框架RF支撐。若位置感測器IF在台處於量測站以及處於曝光站時不能夠量測台之位置,則可提供第二位置感測器以使能夠在兩個站處追蹤台之位置。作為另一實例,在曝光站處曝光一個台上之基板時,不具有基板之另一台在量測站處等待(其中視情況可發生量測活動)。此另一台具有一或多個量測器件且視情況可具有其他工具(例如清潔設備)。當基板已完成曝光時,不具有基板之台移動至曝光站以執行例如量測,且具有基板之台移動至卸載該基板且裝載另一基板之部位(例如量測站)。此等多台配置實現設備之產出率之相當大增加。 如圖2中所展示,微影設備LA可形成微影製造單元LC (有時亦被稱作叢集)之部分,微影製造單元LC亦包括用以對基板執行一或多個圖案轉印前程序及圖案轉印後程序之設備。通常,此等設備包括用以沈積抗蝕劑層之一或多個旋塗器SC、用以顯影經圖案化抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板、在不同程序器件之間移動基板,且將基板遞送至微影設備之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等器件係在塗佈顯影系統控制單元TCU之控制下,塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制,監督控制系統SCS亦經由微影控制單元LACU而控制微影設備。因此,不同設備可經操作以最大化產出率及處理效率。 為了正確且一致地處理由微影設備處理(例如曝光)之基板,需要檢測經處理基板以量測一或多個屬性,諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD)等。若偵測到誤差,則可對一或多個後續基板之處理進行調整。舉例而言,此在可不久且足夠快速地進行檢測以使得同一批量之另一基板仍待處理的情況下可特別有用。又,已經處理之基板可被剝離及重工(以改良產率)或被捨棄,藉此避免對已知有缺陷之基板執行圖案轉印。在基板之僅一些目標部分有缺陷之狀況下,可僅對良好的彼等目標部分執行另一圖案轉印。另一可能性應為調適後續程序步驟之設定以補償誤差,例如,修整蝕刻步驟之時間可經調整以補償由微影程序步驟引起的基板間CD之變化。 檢測設備用以判定基板之一或多個屬性,且尤其判定不同基板或同一基板之不同層之一或多個屬性如何在不同層間變化及/或橫越基板而變化。檢測設備可整合至微影設備LA或微影製造單元LC中,或可為單機器件。為了實現最快速量測,需要使檢測設備緊接在圖案轉印之後量測經圖案化抗蝕劑層中之一或多個屬性。然而,抗蝕劑中之潛在圖案可具有極低對比度-例如,在已經曝光至輻射之抗蝕劑之部分與尚未曝光至輻射之抗蝕劑之部分之間存在僅極小折射率差-且並非所有檢測設備具有足夠敏感度來進行潛在圖案之有用量測。因此,可在曝光後烘烤步驟(PEB)之後採取量測,曝光後烘烤步驟(PEB)通常為對經圖案化基板進行之第一步驟且增大抗蝕劑之例如經曝光部分與未經曝光部分之間的對比度。在此階段,抗蝕劑中之圖案可被稱作半潛像(semi-latent)。亦有可能進行經顯影抗蝕劑影像之量測-此時,例如抗蝕劑之經曝光部分或未經曝光部分已被移除-或在諸如蝕刻之圖案轉印步驟之後進行經顯影抗蝕劑影像之量測。後一可能性限制有缺陷基板之重工之可能性,但例如出於程序控制之目的仍可提供有用資訊。 在一些實施例中,檢測設備可為得到經曝光或轉印於基板上之結構(例如器件之一些或所有結構)之影像的掃描電子顯微鏡(SEM)。圖3描繪SEM 200之實施例。自電子源201發射之初級電子束202係由聚光器透鏡203會聚且接著傳遞通過光束偏轉器204、E x B偏轉器205及物鏡206以在一焦點下輻照基板台101上之基板100。 當運用電子束202輻照基板100時,自基板100產生次級電子。該等次級電子係由E x B偏轉器205偏轉且由次級電子偵測器207偵測。二維電子束影像可藉由以下操作獲得:偵測自樣本產生之電子,而與(例如)電子束藉由光束偏轉器204之二維掃描同步或與電子束202藉由光束偏轉器204在X或Y方向上之重複掃描同步,以及基板100藉由基板台101在X或Y方向中之另一者上之連續移動。 由次級電子偵測器207偵測到之信號係由類比/數位(A/D)轉換器208轉換成數位信號,且該數位信號被發送至影像處理系統300。在一實施例中,影像處理系統300可具有用以儲存數位影像之全部或部分以供處理單元304處理的記憶體303。處理單元304 (例如經專門設計之硬體或硬體及軟體之組合)經組態以將數位影像轉換成或處理成表示數位影像之資料集。另外,影像處理系統300可具有經組態以將數位影像及對應資料集儲存於參考資料庫中之儲存媒體301。顯示器件302可與影像處理系統300連接,使得操作者可藉助於圖形使用者介面進行設備之必要操作。 如上文所提及,可處理SEM影像以提取該影像中描述表示器件結構之物件之邊緣的輪廓。接著經由諸如CD之度量來量化此等輪廓。因此,通常經由諸如邊緣之間距離(CD)或影像之間的簡單像素差之過分簡單化度量來比較及量化器件結構之影像。偵測影像中物件之邊緣以便量測CD的典型輪廓模型使用影像梯度。實際上,彼等模型依賴於強影像梯度。但實務上,影像通常有雜訊且具有不連續邊界。諸如平滑化、自適應定限、邊緣偵測、磨蝕及擴張之技術可用以處理影像梯度輪廓模型之結果以定址有雜訊且不連續影像,但將最終導致高解析度影像之低解析度量化。因此,在大多數情況下,對器件結構之影像的數學操控以縮減雜訊且使邊緣偵測自動化會導致影像之解析度損失,藉此導致資訊損失。因此,結果為相當於對複雜的高解析度結構之過分簡單化表示之低解析度量化。 因此,需要具有可保留解析度且又描述使用圖案化程序而產生或預期產生之結構(例如電路特徵、對準標記或度量衡目標部分(例如光柵特徵)等)的一般形狀之數學表示,而不論例如該等結構是在潛在抗蝕劑影像中、在經顯影抗蝕劑影像中,抑或例如藉由蝕刻而轉移至基板上之層。在微影或其他圖案化程序之內容背景中,結構可為製造之器件或其部分,且影像可為該結構之SEM影像。在一些情況下,結構可為半導體器件之特徵,例如積體電路。在一些情況下,結構可為用於對準量測程序中以判定一物件(例如基板)與另一物件(例如圖案化器件)之對準的對準標記或其部分(例如對準標記之光柵),或為用以量測圖案化程序之參數(例如疊對、焦點、劑量等)之度量衡目標或其部分(例如度量衡目標之光柵)。在一實施例中,度量衡目標為用以量測例如疊對之繞射光柵。 參看圖4,描繪根據一實施例之實例模型預測系統之綜述。在一實施例中,圖4之系統為用於圖案化程序(例如圖案化程序之微影程序及蝕刻程序兩者)之自適應狀態估計及模型預測性控制系統。在以下論述中,模型預測系統(及關聯技術)將關於涉及光學微影程序之圖案化程序加以描述。在另一實施例中,可使用不同圖案化程序,例如涉及壓印微影之圖案化程序。且因此,如由熟習此項技術者將瞭解,對於此類不同圖案化程序,可涉及一或多個不同參數/變數。 在400處,提供至模型預測之某些輸入。舉例而言,可輸入圖案化程序之焦點、劑量、光學像差、照明模式(例如空間分佈,諸如環形、偶極、四極等)等之標稱值。另外,輸入用以使用圖案化程序而產生結構之設計圖案。在一典型實施例中,設計圖案為圖案化器件(例如光罩)圖案。該等輸入值組合地定義特定圖案化程序。如應瞭解,參數/變數之不同組合可定義不同圖案化程序。 在410處,圖案化程序之至少部分之數學模型接收輸入。該模型產生輸出420,如下文進一步描述。在一實施例中,模型可預測如使用圖案化程序而產生的結構,而作為抗蝕劑中之潛影。在一實施例中,模型可在抗蝕劑之顯影之後但在蝕刻之前預測如使用圖案化程序而產生的結構,而作為抗蝕劑中之影像。在一實施例中,模型可在蝕刻之後預測如使用圖案化程序而產生的結構。如下文將更多地論述,在一實施例中,模型為在例如圖案化程序之微影步驟之後或在圖案化程序之蝕刻步驟之後預測產品上圖案形狀的邏輯模型。 在420處,模型產生反映使用圖案化程序而產生的結構之預測之一或多個輸出。在一實施例中,輸出為待使用圖案化程序而產生的預測之結構之經預測影像。在一實施例中,輸出為關於待使用圖案化程序而產生的預測之影像或結構之經預測參數(例如CD)。 在430處,可估計模型之狀態。在一實施例中,實際上如使用圖案化程序而產生的圖案形狀之產品上量測可用以識別模型(例如邏輯模型)且估計其參數。經由狀態估計,在一實施例中,可不斷地且遞歸地更新模型使得隨著圖案化程序運行模型預測與經量測輸出匹配。此情形有利,此係因為在開放迴路模型預測與經量測實境之間很可能將存在失配;舉例而言,微影設備與所預期不同地表現、蝕刻工具與所預期不同地表現、程序漂移、其他干擾等可導致此失配。失配使圖案化程序之產率劣化,且因此在一實施例中,在圖案化程序之執行期間估計該失配以便控制圖案化程序。如在圖4中所見,在430處之狀態之估計可將來自模型420之經預測輸出及圖案化程序輸入400中之一或多者視為輸入。在430處之狀態之估計可產生數學模型410之一或多個參數。在一實施例中,在430處之狀態之估計可接收一或多個圖案化程序干擾之量測值作為輸入。 在440處,模型預測系統可調節至一或多個目標450之圖案輸出。該一或多個目標450可指定參數/變數(例如所要CD等)之某一所要值。在440處之調節器可產生對至模型預測系統的一或多個輸入400之適當改變或校正。 參看圖5,描繪產生及應用模型預測系統之實例程序。如上文所提及,在500處,提議圖案化程序之至少部分之數學模型。在一實施例中,該模型為在例如圖案化程序之微影步驟之後或在圖案化程序之蝕刻步驟之後預測產品上圖案形狀的邏輯模型。 在510處,使用根據圖案化程序之實際上產生之圖案形狀之產品上量測以識別數學模型(例如邏輯模型)且估計該數學模型之項之一或多個參數。 在520處,經由狀態估計而更新模型(例如與執行圖案化程序結合而不斷地且遞歸地)使得隨著圖案化程序運行模型預測與經量測輸出匹配。 在530處,模型預測系統係用以調節至一或多個目標的圖案化程序之圖案輸出,如上文所論述。 現在,參看圖6,導出自用於圖案化程序中之設計圖案預測所得圖案(例如顯影後、蝕刻後等)之數學模型的實例程序。在一實施例中,該模型係關於如圖4中所描繪之模型預測系統。 在600處,獲得設計圖案且使用該設計圖案以計算該設計圖案之空中影像。因此,在一實施例中,提供給定設計圖案且接著自其計算空中影像,其中x
及y
為影像之平面中之座標。設計圖案之實例係如圖7A中所描繪。在一實施例中,提供設計圖案其中(二進位),諸如在圖8A之左側所描繪,以及在右側提供設計圖案之部分之細節。在一實施例中,圖案化器件可為相移光罩,在此狀況下,設計圖案將經適當地組態。 在一實施例中,將空中影像計算為給定設計圖案與點散佈函數(PSF)之迴旋,該點散佈函數描述圖案至基板上之投影(例如描述微影設備之投影及照明系統)。在一實施例中,空中影像具有以下形式:(1) 其中h
描述點散佈函數且m
對應於在x
,y
中之設計圖案。在一實施例中,空中影像。在一實施例中,點散佈函數可為呈例如以下形式之單高斯:(2) 其中參數σ模型化散焦。圖7A上設計圖案之所計算空中影像的實例係如圖7B所描繪。對應於圖8A之設計圖案的空中影像之實例展示於圖8B之左側,以及該空中影像之部分之細節展示於右側。空中影像可採取其他形式(例如以不同方式計算)。在一實施例中,空中影像可由多於一個點散佈源產生,其組合為一個空中影像。在一實施例中,諸如自由形式照明分佈之照明模式(例如空間及/或角度分佈)亦包括於模型中。 在610處,計算機率圖,其為產生(或不產生)結構之一部分之機率。在一實施例中,機率為在作為圖案化程序之部分而使抗蝕劑顯影之後抗蝕劑之一部分顯影或不顯影的機率。在一實施例中,機率為在作為圖案化程序之部分而使用經圖案化抗蝕劑進行蝕刻之後基板之一部分之蝕刻後形成或蝕刻後不形成的機率。本文中之論述聚焦於顯影後抗蝕劑模型,但該模型可用以模型化圖案化程序之其他部分,諸如蝕刻後模型。 已發現,邏輯模型/函數可用以準確地預測使用圖案化程序而產生的實體結構之影像之部分(例如像素)中的回應。因此,在一實施例中,可將空中影像變換成呈邏輯模型之形式之機率圖。舉例而言,邏輯模型可表示顯影後抗蝕劑模型或蝕刻後模型。在一實施例中,邏輯模型可為具有任何數目個特徵/回歸因子及任何數目個參數之任何邏輯函數。在一實施例中,在抗蝕劑模型之內容背景中,將空中影像投影至邏輯模型,該邏輯模型包含呈例如以下形式之S型函數:(3) 其中為抗蝕劑顯影或不顯影之機率、為如以上所描述之空中影像、γ判定S型之斜率且與抗蝕劑敏感度成比例,且τ
為針對P
= 0.5 (等於顯影或不顯影之機率)判定a
之臨限值。因此,在一實施例中,機率。在此實例中,邏輯模型之最大值為1,在此狀況下,τ
為針對P
為彼最大值之一半判定a
之臨限值。基於圖7B之空中影像的所計算機率圖之實例係如圖7C所描繪。自圖8B之空中影像導出的機率圖之實例展示於圖8C之左側,以及該機率圖之部分之細節展示於右側。圖8C亦展示不同像素之機率如何對應於曲線圖上之特定部位,該曲線圖對應於邏輯模型。因此,可看到不同部分如何具有範圍介於0至1的不同機率。 如下文進一步所描述,模型之參數集合θ可藉由評估實際上產生之結構之一或多個影像而判定;舉例而言,在方程式(3)之狀況下,θ
=[ σ , γ , τ ]
。詳言之,在一實施例中,影像之個別像素係用作獨立結果以參數化數學模型。因此,在一實施例中,判定參數以產生擬合經量測實體結構之影像之像素的機率性模型。 因此,在一實施例中,擬合經量測實體結構之二進位化影像之像素(其中像素具有為0或1之值)的機率性模型可具有例如以下廣義形式:(4) 其中對應於影像中之處於之像素、θ對應於模型之參數θ1
、θ2
及θ3
之值,且對應於起因於設計圖案m
之微影投影的設計圖案之空中影像之模糊度,其中為例如方程式(2)之形式之點散佈函數,其中θ1
對應於參數σ。此文件中之許多論述聚焦於使用二進位組態,例如呈二進位形式之像素。然而,在其他實施例中,可使用不同組態,例如多於2個值,諸如灰階值。 除設計圖案之模糊度以外,亦可將一或多個額外或其他回歸因子量/特徵評估為邏輯模型之部分。舉例而言,可將如影像中所表示的實體結構中之應變評估為回歸因子量。在一實施例中,應變s可具有以下形式:(5) 其中為某函數,諸如空中影像。另一回歸因子為與應變密切相關之「高斯曲率」,其呈以下實例形式:(6) 作為另一實例,可將如影像中所表示的實體結構中之平均曲率評估為回歸因子量。在一實施例中,平均曲率c可具有以下形式: (7) 其中,其中對應於空中影像。 在一實施例中,併有設計圖案模糊度之邏輯模型可藉由將曲率引入其中而擴展。因此,在一實施例中,擬合經量測實體結構之二進位化影像之像素(其中像素具有為0或1之值)的機率性模型可具有例如以下形式:(8) 其中θ對應於模型之參數θ1
、θ2
、θ3
、θ4
及θ5
之值(因此自早先3參數模型擴展至5個參數)、 對應於設計圖案m
在產生於抗蝕劑中時的空中影像之模糊度,且對應於設計圖案m
在產生於抗蝕劑中時的空中影像之曲率。在一實施例中,方程式(8)之邏輯模型可擴展成以下形式:(9) 在具有邏輯模型的情況下,可自機率圖計算抗蝕劑影像。舉例而言,在一實施例中,抗蝕劑影像,其中H
為赫維賽德(Heavyside)階躍函數。在一實施例中,抗蝕劑影像(二進位)。因此,可自來自機率及/或如以上所描述之簡單赫維賽德之實現值產生抗蝕劑影像。另外,雖然在此實施例中臨限值為0.5,但可使用不同臨限值。基於圖7C之機率圖的所計算抗蝕劑影像之實例係如圖7D所描繪。自圖8C之機率圖導出的抗蝕劑影像之實例展示於圖8D之左側,以及該抗蝕劑影像之部分之細節展示於右側。圖8D亦展示可如何將臨限值應用至不同像素之機率(例如該曲線圖中之點線)使得某些像素被指定為0且其他像素被指定為1,此取決於機率圖中之對應像素是超過抑或低於該臨限值。 如上文所提及,應針對特定圖案化程序估計參數θ。為此,在一實施例中,使用圖案化程序而產生的實體結構之量測係用以估計模型參數(亦即用以參數化模型)。在一實施例中,量測包含實體結構之影像。在一實施例中,影像包含實體結構之SEM影像。在一實施例中,影像經二進位化(例如影像之像素被指定為第一值(例如1)或第二值(例如0))。 為了參數化預測使用圖案化程序而產生的實體結構之一部分之形成的數學模型,將影像之個別像素用作獨立結果以參數化該數學模型。亦即,在一實施例中,每一像素可被假定為條件獨立的。因此,可將實體結構之經量測影像之複數個像素中的每一像素之值之預測與彼像素之量測值進行比較以獲得模型之參數之估計。詳言之,在一實施例中,可尋找使像素之預測值對應於該像素之量測值之似然性最大化的參數集合。如應瞭解,可針對相同設計圖案之複數個影像或針對複數個不同設計圖案之影像執行此分析。 因此,在一實施例中,在給出設計圖案及經量測影像(其在此狀況下為像素之值為0或1的像素化之二進位化影像) (其中上標m
對應於經量測)的情況下,判定模型之參數集θ。舉例而言,使用方程式(3)之邏輯數學模型,分析可採取以下形式:(10) 因此,在處於下之給定像素處所評估的模型之輸出為取決於參數集合θ之值,彼像素「開啟」(在此狀況下,值為1)的機率P。因此,若為遵循二項式分佈之二進位隨機變數,則模型之每一像素輸出可被解譯為來自二項式分佈之隨機變數。因此,在給出對特定像素之經判定P
及該像素之量測值的情況下,可將每像素之似然性描述為:(11) 因此,可將整個影像之似然性(假定每一像素係條件獨立的)描述為:(12) 單獨地或以先驗似然性為條件而判定使此似然性最大化之參數估計值,諸如:(13) 現在,某些設計圖案將觀測到模型參數較佳。因此,將有用的是分析在給出某些實體產品結構之量測值的情況下可觀測模型參數之良好程度。實際上,某些設計圖案將觀測到一些模型參數比其他模型參數更佳。此可觀測性表現為模型參數估計值中之協方差。可觀測性表示模型參數估計誤差。圖9A、圖9B、圖9C及圖9D展示用於不同設計圖案之模型參數之估計誤差的實例。圖9A在左側展示第一實例圖案,且展示根據方程式(3)(其併有方程式(1)及(2))在τ(沿著垂直軸線)與σ(沿著水平軸線)之間的實例對應對數似然性估計。如圖9A中所見,輪廓線相當程度地散開且並不強烈收斂於每一參數之對數似然性之特定值上。圖9B在左側展示第二實例圖案,且展示τ與σ之間的相似實例對應對數似然性估計。如圖9B中所見,輪廓線比在圖9A中尖銳得多,且強烈收斂於每一參數之對數似然性之特定值上。圖9C在左側展示第三實例圖案,且展示τ與σ之間的相似實例對應對數似然性估計。與在圖9B中一樣,輪廓線比在圖9A中尖銳得多,且強烈收斂於每一參數之對數似然性之特定值上。圖9C展示相比於圖9B較不規則的結構不會得到明顯不同的結果。圖9D在左側展示第四實例圖案,且展示τ與σ之間的相似實例對應對數似然性估計。與在圖9B及圖9C中一樣,輪廓線比在圖9A中尖銳得多,且強烈收斂於每一參數之對數似然性之特定值上。圖9D展示高度複雜結構不會得到明顯不同的結果。且因此,圖9B之相對簡單規則結構或圖9C之相對簡單不規則結構可得到良好結果。 圖10A、圖10B、圖10C、圖10D及圖10E展示用於不同設計圖案之模型參數之協方差的實例。圖10A在頂部展示第一實例圖案,且展示根據方程式(3)(其併有方程式(1)及(2))在τ (沿著垂直軸線)與σ (沿著水平軸線)之間的實例對應協方差。如圖10A中所見,值完全散開且並不強烈收斂於一特定值上。因此,圖10A之設計圖案並非用於模型之參數之評估的良好候選設計圖案。圖10B在頂部展示第二實例圖案,且展示τ與σ之間的相似實例對應協方差。如圖10B中所見,值已更多地收斂,但存在某相當程度的可變性。因此,圖10B之設計圖案很可能並非為用於模型之參數之評估的良好候選設計圖案。圖10C在頂部展示第三實例圖案,且展示τ與σ之間的相似實例對應協方差。如圖10C中所見,值已相當強地收斂。因此,圖10C之設計圖案很可能為用於模型之參數之評估的良好候選設計圖案。圖10D在頂部展示第四實例圖案,且展示τ與σ之間的相似實例對應協方差。如圖10D中所見,值已相當強地收斂。因此,圖10D之設計圖案很可能為用於模型之參數之評估的良好候選設計圖案。此外,可看到,規則設計圖案可得到與諸如在圖10C中之不規則結構相同或相似的結果。圖10E在頂部展示第五實例圖案,且展示τ與σ之間的相似實例對應協方差。如圖10E中所見,值已相當強地收斂。因此,圖10E之設計圖案很可能為用於模型之參數之評估的良好候選設計圖案。然而,此高度複雜圖案並不得到比諸如圖10D中之較簡單規則結構或諸如圖10C中之較簡單不規則結構顯著更佳的結果。 現在,在具有模型及模型參數之估計值的情況下,模型之輸出預測可與所觀測之實境失配。此失配可由可具有各種來源的干擾、諸如模型失配、參數漂移、處理設備偏移等造成。 因此,在一實施例中,在封閉迴路系統中,系統之狀態經調整使得此等干擾可被排斥。在一實施例中,可提供封閉迴路狀態估計程序。 在一實施例中,狀態估計器(例如如圖4之430處所提供)可估計狀態使得經預測輸出(例如如自圖4之410所提供)與經量測輸出(例如在圖4之420處)匹配。在一實施例中,在圖案化程序之其他量測起作用時,不斷地且遞歸地更新估計值;因此,估計值追蹤系統之狀態。 在一實施例中,使用貝氏(Bayesian)公式化來遞歸地更新狀態估計值。根據貝氏定理,(14) 因此,將此擴展至上文所描述之模型及其參數集合,參數之遞歸更新之貝氏公式化可採取以下形式:(15) 其中P
為判定產生(或不產生)實體結構之一部分之機率的數學模型(諸如方程式(3)、(4)、(8)、(9)、(10)等之模型)、θ為函數P之參數之集合、為經量測影像、為參數集合θ之先驗分佈、為針對經量測影像之所有像素之參數集合θ的似然性、正規化累積機率至1,且為在給出經量測影像的情況下參數集合θ之後驗分佈。因此,狀態估計判定在給出最近量測的情況下參數集合θ之狀態之後驗機率。任一或多個技術可用以判定此後驗機率,其包括:卡爾曼(Kalman)濾波、擴展卡爾曼濾波、粒子濾波、依序蒙地卡羅、滾動時域估計等。狀態估計可允許準確模型預測,但亦可明確地監控狀態。 另外,在一實施例中,提昇之機器學習技術係與模型化設計圖案之經導出影像特徵之數學模型組合使用,以獲得可用於圖案化程序設計、控制、修改等中的組合(例如可加性)模型。在一實施例中,組合模型為例如相加在一起之複數個分類器模型之組合。在一實施例中,基於由數學模型預測之像素級資料來執行提昇。 在一實施例中,提昇方法以如下假定開始:如由圖案化器件實施之設計圖案係用於曝光且導致經曝光圖案。可運用合適檢測設備(例如SEM)量測此所得圖案。可將此經量測影像分段成離散值(例如二進位影像)以形成經導出影像以供分析。以下描述聚焦於自二進位影像進行工作及/或輸出二進位影像之模型,但此處之提昇方法不限於二進位分類。 因此,需要模型化設計圖案與經導出影像之間的關係。因此,設計圖案為模型之輸入,且經導出影像為所要輸出。為了實現此模型化,將複數個經導出影像特徵(及其關聯模型)用作提昇方法之部分以獲得模型。 參看圖11A,描繪設計圖案之示意性實例。在此狀況下,設計圖案對應於圖案化器件(例如光罩)圖案。然而,設計圖案可為不同圖案(例如器件之所要圖案),在此實例中其限制條件為:其可用以獲得經導出影像特徵。 圖11B展示對應於圖11A之設計圖案的經導出影像特徵之示意性實例。在圖11B之狀況下,該經導出影像特徵為模糊度,此已在上文所描述。因此,圖11B可表示圖案化程序之微影步驟中之設計圖案的預期空中影像。圖11C展示對應於圖11A之設計圖案的另一經導出影像特徵之示意性實例,即如以上所描述之應變,且圖11D展示對應於圖11A之設計圖案的另一經導出影像特徵之示意性實例,即曲率。並非所有此等經導出影像特徵(或此等經導出影像特徵中的任一者)皆需要用於本文中所描述之提昇方法中。此外,不到全部的此等經導出影像特徵可用於本文中所描述之提昇方法中。 圖11E展示對應於設計圖案的經曝光圖案之二進位化經量測影像之示意性實例。因此,圖11E表示將圖11A之設計圖案用作輸入的圖案化程序之輸出。 因此,在一實施例中,在給出設計圖案的情況下,可界定複數個經導出影像(輸入)特徵。舉例而言,經導出影像特徵可為選自以下各者中之兩者或多於兩者:模糊度、應變、曲率及/或其任何組合。此等經導出影像特徵可經一般化為經導出影像特徵F1
、F2
、F3
等。雖然本文中已聚焦於經導出影像特徵且將聚焦於二維經導出影像特徵,但經導出影像特徵中之一或多者可為在第三維度中考慮設計圖案特徵的三維經導出影像特徵。 圖12描繪根據複數個經導出影像特徵來分類設計圖案影像之部分的示意性實例。在此實例中,使用一設計圖案1200及兩個對應經導出影像特徵F1
及F2
。舉例而言,F1
可為自設計圖案1200導出之模糊度,而F2
可為自設計圖案1200導出之應變。 在具有經導出影像特徵F1
及F2
的情況下,可評估經量測影像1205以及經導出影像特徵F1
及F2
中之每一者中的對應像素1210以獲得各別值。在此實例中,經量測影像1205經二進位化,亦即,每一像素為兩個值(0, 1)、(-, +)等中之一者。在此實例中,將使用標籤(-, +),其中「-」對應於影像1205中之黑色,且「+」對應於影像1205中之白色。影像1205無需經二進位化,且標籤無需僅具有兩個值。 因此,對於影像1205中之像素1210,存在為「+」之值。另外,對於經導出影像特徵F1
及F2
中之對應像素1210,存在2個對應經導出影像特徵值f1
、f2
。此等影像特徵值可如1220中所展示一起組合為值之所標註元組1230,其中曲線圖之垂直軸線對應於經導出影像特徵F1
之值且水平軸線對應於經導出影像特徵F2
之值。在此曲線圖中,元組1230對應於像素1210之經導出影像特徵值f1
、f2
以及像素1210之標籤,亦即「+」。可針對設計圖案1200之複數個對應像素(例如全部或實質上全部像素)以及對應經導出影像特徵F1
及F2
及經量測影像1205重複此分析。結果可為針對設計圖案1200之像素如1220中所展示的元組之集合。 現在,可基於所標註元組而判定複數個分類器模型。詳言之,在一實施例中,可基於所標註元組而參數化分類器模型中之每一者。在一實施例中,基於分類器模型之早先參數化之結果而參數化後續分類器模型。在一實施例中,先前參數化可導致將不同權重施加於正確分類之元組與錯誤分類之元組之間。舉例而言,在分類器模型之參數化期間可向錯誤分類之元組提供比其他元組之權重更高的權重。結果將為複數個經參數化分類器模型。 因此,在基本實例中,可使用深度為1之決策樹之模型類別(亦被稱為殘端(stump))。因此,來自此模型類別之模型將為對參數有特定選擇的決策樹。但如應瞭解,模型類別可為不同種類之模型。模型類別可為比深度為1之決策樹更複雜的決策樹。模型類別可為與決策樹不同種類的模型。舉例而言,模型類別可包含本文中所描述之一或多種邏輯模型。 因此,參看圖13,呈現第一分類器模型之示意性實例。此處,該模型具有以下形式:(16) 其中值0對應於元組中之「-」,且值1對應於元組中之「+」。雖然此分類器模型評估F1
,但其可替代地例如評估F2
或F1
及F2
之組合。將此第一分類器模型應用至所標註元組1220。具體地,在給出此資料集的情況下,元組1220在F1
上分裂而處於特定值D1
。舉例而言,模型用以將元組1220分類以尋找例如最大化正確分類之元組1220之數目或最小化錯誤分類之元組1220之數目的D1
之值。在不同種類之模型之內容背景中,該分析可用以導出模型之參數集合θ,諸如上文所描述之邏輯模型中之一者。在一實施例中,用於分類中之成本函數旨在導出模型之參數之最佳擬合集合θ。 因此,在圖13之實例中,可看到,F1
之值小於或等於D1
的所有元組1220為「+」元組,而F1
之值大於D1
的大百分比之元組1220為「-」元組。但如可看到,此第一分類器模型並未完美地執行(亦即,對應於某些像素之一些元組1220經錯誤分類)且留下一些殘餘分類誤差。 圖14描繪分類殘差之示意性實例。亦即,圖13之分類之結果留下不正確分類之元組1400。因此,在一實施例中,元組1220經加權使得元組1400在後續分類中的重要性增加。在一實施例中,此可藉由相對於其他正確分類之元組使元組1440之權重增大來進行。元組1400相對於其他元組之加權之差係由較大「+」元組1400展示;當然,加權自身為附接至元組1400以使能夠用於評估成本函數以判定後續分類器模型的某一值。元組1220之此新加權集合形成用於評估第二分類器模型之資料集。 圖15描繪判定第二分類器模型之示意性實例。詳言之,在給出來自圖14之加權資料集的情況下,可獲悉新的第二分類器模型。此處,該模型具有以下形式:(17) 其中值0對應於元組中之「-」,且值1對應於元組中之「+」。雖然此第二分類器模型再次評估F1
,但其可替代地例如評估F2
或F1
及F2
之組合。將此第二分類器模型應用至圖14之加權元組1220。具體地,在給出此資料集的情況下,元組1220在F1
上分裂而處於特定值D2
。舉例而言,該模型係用以將元組1220分類以尋找例如最小化或最大化關於元組之正確或不正確分類之成本函數的D2
之值。但在此狀況下,將某些元組與其他元組不同地加權,此影響如何評估成本函數且因此影響D2
之值之判定。因此,在圖15之實例中,可看到,F1
之值大於或等於D2
的所有元組1220為「-」元組,而F1
之值小於或等於D2
的大百分比之元組1220為「+」元組。因此,此第二分類器模型旨在歸因於加權而較佳地擬合錯誤分類之資料。 此時分類可停止,特別是在第二分類器模型正確地分類全部資料的情況下。但如可看到,此第二分類器模型仍未完美地執行(亦即,對應於某些像素之一些元組1220經錯誤分類)且因此,在此實例中仍存在一些殘餘分類誤差。舉例而言,區1500中之「-」元組經錯誤分類。因此,與圖14之實例一樣,新加權集合中之元組可經重新加權以形成元組1220之另一新加權集合。亦即,在一實施例中,元組1220經加權使得來自判定第二分類器模型之錯誤分類之元組在後續分類中的重要性增加。在一實施例中,此可藉由相對於其他正確分類之元組使錯誤分類之元組之權重增大來進行。此被展示為圖16之1610中的較大「-」元組1620。另外,現在被正確分類的先前錯誤分類之元組可使其加權被縮減。此被展示為圖16之1610中的較小「+」元組1400。另外,現在再次被正確分類的先前適當分類之元組可使其加權被縮減。此被展示為圖16之1610中的較小「-」元組1625及圖16之1610中的較小「+」元組1630。元組1220之此新加權集合形成用於評估第三分類器模型之資料集。可將使用另一分類器模型且對殘差進行加權之此分類重複數次。 現在,圖16描繪供形成組合模型的分類器模型之組合之示意性實例,該組合模型可接著類似於例如早先所描述之邏輯模型而使用以預測設計圖案將如何變成基板上之經實現圖案。舉例而言,組合模型可為諸如上文所論述之分類器模型之集合(或總體)。組合模型可組合為比個別分類器模型更強的分類器模型。在一實施例中,組合模型可為邏輯模型(作為分類器模型)之組合。在一實施例中,組合模型為包含分類器模型之相加性組合的相加性模型。 因此,圖16將在圖13處獲得之第一分類器模型示意性地展示為分類器模型1600。另外,圖16將在圖15處獲得之第二分類器模型展示為分類器模型1605。另外,圖16展示使用在判定圖15中之模型之後所獲得的新加權資料集之第三分類器模型1610。用於第三分類器模型之模型可呈以下形式:(18) 其中值0對應於元組中之「-」,且值1對應於元組中之「+」。該三個分類器模型接著組合為組合模型1615,如圖16中示意性地所描繪。在一實施例中,分類器模型之數目為2個或多於2個、3個或多於3個、4個或多於4個、5個或多個5個、10個或多於10個,或20個或多於20個。 在一實施例中,可將組合模型表示為模型,其中x
對應於每一像素。對於每一像素(x
),每一分類器i
預測其標籤。因此,為了獲得組合模型,可向分類器加權權重ai
以得到經加權。如應瞭解,此等權重不同於上文所論述之用於獲得分類器模型之權重。接著,所得組合模型可為根據權重相加在一起的n
個分類器,從而導致:(19) 作為簡單實例,每一權重ai
可為1/n
。 在具有模型(例如邏輯模型、組合模型等)及其參數的情況下且參考圖4,該模型可接著用以改變、設計、調節等440朝向目標450之圖案化程序之參數/變數。舉例而言,在給出模型參數及/或模型狀態估計430的情況下,可解決判定一或多個輸入400使得模型預測實現經界定目標450之最佳化問題。在一實施例中,最佳化可利用在實體結構之量測起作用時規則地更新之模型。可以各種方式進行調節。舉例而言,在一實施例中,操控一或多個最佳設備(例如微影設備)設定,諸如焦點及/或劑量。此操控可相對快速地且結合圖案化程序之執行來進行(例如在多個曝光之間或在多個基板批次之間)。在一實施例中,可判定一或多個最佳照明模式設定(例如角度或空間分佈特性)。例如在基板之不同批次之間的彼等設定可改變。在一實施例中,設計圖案之一或多個特性(例如添加之光學近接特徵,諸如輔助特徵、特徵偏置、襯線等)可改變。在一實施例中,圖案化程序參數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、影像場中之位置,及/或基板上之位置。 另外,模型可用以識別在藉由圖案化程序進行設計圖案之處理時之缺陷。舉例而言,模型可識別不滿足或超越所定義臨限值的CD。若如此,則可停止圖案化程序、重工有爭議之基板等。 因此,模型及/或模型預測系統可用於缺陷偵測(及回應於其之適當措施)、模型識別、現有模型校準、缺陷分類、缺陷估計、程序監控、程序控制、程序設計、設計圖案設計等。 圖17描繪基於如本文中所描述之模型及/或模型預測系統之缺陷偵測、模型識別、現有模型校準、缺陷分類、缺陷估計、程序監控、程序控制、程序設計、設計圖案設計等的實例程序。 在1700處,例如在圖案化程序參數之不同值下獲得藉由圖案化程序而產生之結構之複數個影像或影像之經導出表示。在一實施例中,經導出表示包含自結構之經量測影像而判定之二進位表示。在一實施例中,圖案化程序參數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、影像場中之位置,及/或基板上之位置。在一實施例中,結構包含積體電路之電路特徵。在一實施例中,影像為掃描電子顯微鏡影像。 另外,識別預測使用圖案化程序而產生的實體結構之形成之模型。在一實施例中,模型包含預測使用圖案化程序而產生的實體結構之形成之邏輯數學模型。 在1710處,藉由電腦處理器分析影像或經導出表示以參數化模型。在一實施例中,模型之參數之估計值係藉由分析影像或經導出表示之像素作為個別結果予以判定。視情況,執行狀態估計程序以結合圖案化程序之執行來更新模型參數。 在1720處,將模型之輸出用於缺陷偵測、模型識別、現有模型校準、缺陷分類、缺陷估計、程序監控、程序控制、程序設計、設計圖案設計等。缺陷可包括薄化或頸縮(例如線薄化或頸縮)、橋接或短路、開路或斷開、拉回(例如線端拉回)等。在一實施例中,可基於模型之輸出而改變、設計等至圖案化程序之一或多個輸入,且接著可(例如再次)以新一或多個輸入執行圖案化程序,以得到影像(或經導出表示)可用以更新模型之參數的經處理實體結構等等。 在一實施例中,模型參數化及/或狀態估計可藉由諸如電氣測試結果、基於光學繞射之量測結果等之其他資料補充。 因此,一旦針對特定圖案化程序中之實體結構獲得模型,該模型就可接著依據圖案化程序之諸如焦點、劑量、蝕刻設定等之一或多個輸入參數實現對器件缺陷、器件產率等之相對準確預測。因此,舉例而言,用於圖案化程序之模型可使能夠例如預測取決於一或多個圖案化程序參數之某些值而使結構是否將很可能有缺陷。在一實施例中,模型可接著用作程序控制策略之部分(例如以基於模型之輸出而改變圖案化程序之參數(例如焦點、劑量、蝕刻設定等))、指定預期為有缺陷的所形成結構或將預期為有缺陷的所形成結構分類,等。 因此,本文中所描述之技術使能夠自影像之檢查進行缺陷偵測、模型識別、現有模型校準、缺陷分類、缺陷估計、程序監控、程序控制、程序設計、設計圖案設計等。並且自影像之此類檢查,諸如作為獨立結果的影像之個別像素,可針對圖案化程序自此等影像產生模型,該模型(例如)根據一或多個圖案化程序參數識別器件之一部分之形成的有效性。 該模型可相對於例如生產產生之經圖案化結構之經量測結構而使用。舉例而言,該模型可用以預測某些結構之某些參數值(例如特定寬度),且接著可使用例如散射計來量測經圖案化結構之一或多個生產產生版本以與該預測進行比較。若該量測與該預測充分匹配,則結構可被認為「良好的」。否則,結構可被再加工或廢棄。另外,來自該比較之資料可經回饋至預測性分析中(作為用以建立相關性、更新模型參數等之資料)且可用以實現程序之改變(例如,量測與預測之間的不足匹配(其例如發生一定次數)可為需要程序改變之指示符)。 因此,當前計算圖案化程序模型依賴於許多參數以便進行正確預測。此類現有模型可為複雜的及繁重的且可難以識別;結果,其常常並未極良好地預測生產中之產品結構。其出於最佳化目的亦可為過於繁瑣的。本文中之技術可啟用可準確地預測實體結構形成之相對簡單模型(例如邏輯模型)。 另外,當前途徑旨在使經模擬輪廓與自影像提取之輪廓匹配,其依賴於該等輪廓之偏差以識別模型之參數。勾畫輪廓本質上引入不準確度。另外,可運用量測量規識別模型。然而,此等量測量規本身並非產品結構,且因此,自量測量規導出之模型本質上可與圖案化程序斷開。評估影像之像素的本文中之技術可實現穩固及準確的模型參數及/或模型狀態估計。 因此,在一實施例中,影像(例如電子束或SEM影像)中之像素被視為條件性地獨立於共同參數。因此,為此目的,如藉由SEM或其他工具所量測之影像資料可經處理成像素化形式(例如二進位或灰階影像)。提議計算像素為某一級(例如二進位或灰階)之機率的邏輯模型(例如針對圖案化程序之部分,諸如用以獲得抗蝕劑影像或結構之微影模型,或用以獲得蝕刻後結構之蝕刻模型)。此邏輯模型依據參數而變化。在一實施例中,經由藉由圖案化程序而進行之實體結構之影像之分析來估計該等參數。舉例而言,該等參數係藉由評估作為個別結果之個別像素以用於估計該等參數。 邏輯模型具有可經回歸至之一或多個描述性特徵。此類特徵捕捉程序之行為。在一實施例中,特徵可包括空中影像模糊度、空中影像曲率及/或空中影像應變。 如上文所提及,在給出實體結構之經量測影像的情況下,邏輯模型可經識別為一或多個描述性特徵(例如空中影像模糊度、空中影像曲率)及其參數之函數。在使用此所獲悉模型的情況下,可在給出設計圖案的情況下預測如藉由經模型化圖案化程序而產生之實體結構之一或多個參數(例如形狀、CD等)。 在一實施例中,諸如焦點、劑量、基板位置、一或多個照明條件、一或多個蝕刻條件等之一或多個已知圖案化程序輸入參數可經回歸至模型中。因此,模型可預測對此等程序條件之回應。 結果為:在一實施例中,提供可在例如生產環境中快速部署的相對簡單模型。在一實施例中,可遞歸地更新模型(例如基於在生產期間之量測)以便監控及控制在生產期間所獲得之實體結構且因此監控及控制產率。 在一實施例中,可針對設計圖案修改及/或諸如微影設備及/或蝕刻工具調節之其他最佳化問題而將模型相對容易地倒轉。 另外,在一實施例中,與經導出輪廓形成比較,自完整產品結構之所有像素導出模型。由於運用實體結構來識別模型,故模型可直接預測圖案化程序之行為。 在一實施例中,提供一種方法,其包含:獲得預測使用一圖案化程序而產生之一實體結構之形成的一邏輯數學模型;藉由一硬體電腦評估該邏輯數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 在一實施例中,該邏輯模型之一邏輯函數具有一指數涉及3個或多於3個參數的一自然對數。在一實施例中,該邏輯數學模型包含在該圖案化程序之至少部分期間之一設計圖案的模糊度之一函數。在一實施例中,該邏輯數學模型包含以下形式之一函數:其中a
為描述用以形成該實體結構之一設計圖案之一空中影像的一函數,且γ及τ為特定用於該圖案化程序之參數。在一實施例中,該邏輯模型之一邏輯函數具有一指數涉及5個或多於5個參數的一自然對數。在一實施例中,該邏輯數學模型包含在該圖案化程序之至少部分期間之該設計圖案之一空中影像的一曲率之一函數。在一實施例中,該邏輯數學模型包含以下形式之一函數:其中為描述用以形成該實體結構之一設計圖案m
之一空中影像的模糊度之一函數、為描述用以形成該實體結構之該設計圖案m
之一空中影像的曲率之一函數,且θ1
、θ2
、θ3
、θ4
及θ5
為特定用於該圖案化程序之參數。在一實施例中,該評估包含評估一組合模型,該組合模型包含包括該邏輯數學模型之複數個分類器模型之一組合。在一實施例中,該獲得包含執行涉及該邏輯數學模型之一提昇機器學習技術以獲得該組合模型。在一實施例中,該邏輯模型預測該實體結構之該部分在一基板上之一抗蝕劑中的一顯影後但蝕刻前形成。在一實施例中,該邏輯模型預測該實體結構之該部分於一基板上之一蝕刻後形成。在一實施例中,該調適包含設計該圖案化程序之一部分。在一實施例中,該調適包含調整該圖案化程序之一程序變數。在一實施例中,該圖案化程序變數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、一膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、一影像場中之位置,及/或一基板上之位置。在一實施例中,該實體結構包含一積體電路之一電路特徵。 在一實施例中,提供一種方法,其包含:獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及藉由一硬體電腦將該影像之個別像素用作獨立結果以參數化預測使用該圖案化程序而產生之一實體結構之一部分之形成的一數學模型。 在一實施例中,該數學模型預測對應於該實體結構之一機率圖之一像素為某一值的一機率。在一實施例中,該方法進一步包含判定該數學模型之參數使一像素之一預測值等於該像素自該經量測影像之一經量測值的一似然性最大化的一估計值。在一實施例中,該等像素中之每一者具有僅兩個值中之一者。在一實施例中,該方法包含尋找最大化以下方程式之一參數集合θ:其中 為來自該經量測影像之對應像素i
之為0或1的二進位量測值、P
為描述一像素zi
對應於某一值之一機率的一數學函數,且θ為該函數P
之該參數集合。在一實施例中,該影像為一掃描電子顯微鏡影像。在一實施例中,該數學模型包含一邏輯數學模型。在一實施例中,該邏輯模型之一邏輯函數具有一指數涉及3個或多於3個參數的一自然對數。在一實施例中,該邏輯數學模型包含在該圖案化程序之至少部分期間之一設計圖案的模糊度之一函數。在一實施例中,該邏輯數學模型包含以下形式之一函數:其中a
為描述用以形成該實體結構之一設計圖案之一空中影像的一函數,且γ及τ為特定用於該圖案化程序之參數。在一實施例中,該邏輯模型之一邏輯函數具有一指數涉及5個或多於5個參數的一自然對數。在一實施例中,該邏輯數學模型包含在該圖案化程序之至少部分期間之該設計圖案之一空中影像的一曲率之一函數。在一實施例中,該邏輯數學模型包含以下形式之一函數:其中為描述用以形成該實體結構之一設計圖案m
之一空中影像的模糊度之一函數、為描述用以形成該實體結構之該設計圖案m
之一空中影像的曲率之一函數,且θ1
、θ2
、θ3
、θ4
及θ5
為特定用於該圖案化程序之參數。在一實施例中,將該影像之個別像素用作獨立結果以參數化該數學模型包含基於該等獨立結果執行一提昇機器學習技術以評估複數個分類器模型。在一實施例中,該等分類器模型中之至少一者包含一邏輯數學模型。在一實施例中,該模型預測該實體結構之該部分在一基板上之一抗蝕劑中的一顯影後但蝕刻前形成。在一實施例中,該邏輯模型預測該實體結構之該部分於一基板上之一蝕刻後形成。在一實施例中,該方法進一步包含基於該數學模型之一輸出而調適該圖案化程序之一態樣。在一實施例中,該調適包含設計該圖案化程序之一部分。在一實施例中,該調適包含調整該圖案化程序之一程序變數。在一實施例中,該圖案化程序變數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、一膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、一影像場中之位置,及/或一基板上之位置。在一實施例中,該實體結構包含一積體電路之一電路特徵。 在一實施例中,提供一種方法,其包含:獲得包含藉由一提昇機器學習演算法而判定之複數個分類器模型的一組合數學模型,該組合數學模型預測使用一圖案化程序而產生之一實體結構之形成;藉由一硬體電腦評估該組合數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 在一實施例中,該等分類器模型中之至少一者包含一邏輯數學模型。在一實施例中,該等分類器模型中之至少一者描述在該圖案化程序之至少部分期間之一設計圖案之模糊度及/或應變。在一實施例中,該方法進一步包含執行該提昇機器學習演算法以獲得該等分類器模型,該提昇機器學習演算法將一實體結構之一經量測影像之像素值用作結果進行學習。在一實施例中,提供一種方法,其包含:獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及藉由一硬體電腦執行一提昇機器學習演算法以參數化複數個分類器模型,該提昇機器學習演算法將該經量測影像之像素之值用作結果,且該等分類器模型之一組合預測使用該圖案化程序而產生之一實體結構之一部分的形成。在一實施例中,該等分類器模型中之至少一者包含一邏輯數學模型。在一實施例中,該等分類器模型中之至少一者描述在該圖案化程序之至少部分期間之一設計圖案之模糊度及/或應變。在一實施例中,該方法進一步包含評估該組合數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 在一實施例中,實體結構包含積體電路之電路特徵。在一實施例中,影像為掃描電子顯微鏡影像。在一實施例中,影像係運用低劑量掃描電子顯微鏡而獲得。 雖然許多前述描述已聚焦於使用用於二維影像之資料之二進位影像處理技術,但所描述之影像處理技術可延伸至例如灰階影像及/或延伸至例如用於三維影像之資料。 術語「值」可為數字資料、符號資料、字母資料等。 如本文中所使用之術語「最佳化(optimize/optimizing/optimization)」係指或意謂調整圖案化設備(例如微影設備)、圖案化程序等使得結果及/或程序具有較理想特性,諸如設計佈局於基板上之較高投影準確度、較大程序窗等。因此,如本文中所使用之術語「最佳化(optimizing/optimization)」係指或意謂識別用於一或多個參數之一或多個值的程序,該一或多個值相比於用於彼等一或多個參數之一或多個值之初始集合提供至少一個相關度量的改良,例如局部最佳。應相應地解釋「最佳」及其他相關術語。在一實施例中,可反覆地應用最佳化步驟,以提供一或多個度量之進一步改良。 實施例可包括電腦程式,該電腦程式含有使能夠實踐如本文中所描述之方法的機器可讀指令之一或多個序列。舉例而言,此電腦程式可與圖3之成像設備一起被包括或包括於該成像設備內,及/或與圖2之控制單元LACU一起被包括或包括於該控制單元LACU內。亦可提供其中儲存有此電腦程式之資料儲存媒體(例如半導體記憶體、磁碟或光碟)。在例如屬於圖1至圖3所展示之類型之現有設備已經在生產中及/或在使用中的情況下,可藉由供應經更新電腦程式產品以使設備之處理器執行如本文中所描述之方法來實施實施例。 本發明之實施例可採取如下形式:電腦程式,其含有描述如本文所揭示之方法的機器可讀指令之一或多個序列;或資料儲存媒體(例如半導體記憶體、磁碟或光碟),其中儲存有此電腦程式。另外,可以兩個或多於兩個電腦程式體現機器可讀指令。該兩個或多於兩個電腦程式可儲存於一或多個不同記憶體及/或資料儲存媒體上。 本文中所描述之任何控制系統可在一或多個電腦程式由位於微影設備之至少一個組件內的一或多個電腦處理器讀取時各自或組合地可操作。控制器可各自或組合地具有用於接收、處理及發送信號之任何合適組態。一或多個處理器經組態以與控制器中之至少一者通信。舉例而言,每一控制器可包括用於執行包括用於上文所描述之方法之機器可讀指令的電腦程式之一或多個處理器。控制器可包括用於儲存此等電腦程式之資料儲存媒體,及/或用以收納此媒體之硬體。因此,該(該等)控制器可根據一或多個電腦程式之機器可讀指令而操作。 儘管上文可特定地參考在光學微影之內容背景中對本發明之實施例之使用,但應瞭解,本發明之實施例可用於其他應用(例如壓印微影)中,且在內容背景允許時不限於光學微影。在壓印微影中,圖案化器件中之構形界定產生於基板上之圖案。可將圖案化器件之構形壓入被供應至基板之抗蝕劑層中,在基板上,抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後,將圖案化器件移出抗蝕劑,從而在其中留下圖案。 另外,儘管在本文中可特定地參考微影設備在IC製造中之使用,但應理解,本文中所描述之微影設備可具有其他應用,諸如製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、平板顯示器、液晶顯示器(LCD)、薄膜磁頭等。熟習此項技術者將瞭解,在此等替代應用之內容背景中,可認為本文中對術語「晶圓」或「晶粒」之任何使用分別與更一般之術語「基板」或「目標部分」同義。可在曝光之前或之後在例如塗佈顯影系統(通常將抗蝕劑層施加至基板且顯影經曝光抗蝕劑之工具)、度量衡工具及/或檢測工具中處理本文中所提及之基板。適用時,可將本文中之揭示內容應用於此類及其他基板處理工具。另外,可將基板處理多於一次,例如以便產生多層IC,使得本文中所使用之術語基板亦可指已經含有多個經處理層之基板。 本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射,包括紫外線(UV)輻射(例如具有為或為約365奈米、355奈米、248奈米、193奈米、157奈米或126奈米之波長)及極紫外線(EUV)(例如具有在5奈米至20奈米之範圍內之波長),以及粒子束,諸如離子束或電子束。 術語「透鏡」在內容背景允許時可指各種類型之光學組件中之任一者或其組合,包括折射、反射、磁性、電磁及靜電光學組件。 可使用以下條項進一步描述實施例: 1. 一種方法,其包含: 獲得預測使用一圖案化程序而產生之一實體結構之形成的一邏輯數學模型; 藉由一硬體電腦評估該邏輯數學模型以預測該實體結構之一部分之形成且產生一輸出;及 基於該輸出而調適該圖案化程序之一態樣。 2. 如條項1之方法,其中該邏輯模型之一邏輯函數具有一指數涉及3個或多於3個參數的一自然對數。 3. 如條項1或條項2之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之一設計圖案的模糊度之一函數。 4. 如條項1至3中任一項之方法,其中該邏輯數學模型包含以下形式之一函數:其中a
為描述用以形成該實體結構之一設計圖案之一空中影像的一函數,且γ及τ為特定用於該圖案化程序之參數。 5. 如條項1至4中任一項之方法,其中該邏輯模型之一邏輯函數具有一指數涉及5個或多於5個參數的一自然對數。 6. 如條項1至5中任一項之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之該設計圖案之一空中影像的一曲率之一函數。 7. 如條項1至6中任一項之方法,其中該邏輯數學模型包含以下形式之一函數:其中為描述用以形成該實體結構之一設計圖案m
之一空中影像的模糊度之一函數、為描述用以形成該實體結構之該設計圖案m
之一空中影像的曲率之一函數,且θ1
、θ2
、θ3
、θ4
及θ5
為特定用於該圖案化程序之參數。 8. 如條項1至7中任一項之方法,其中該評估包含評估一組合模型,該組合模型包含包括該邏輯數學模型之複數個分類器模型之一組合。 9. 如條項8之方法,其中該獲得包含執行涉及該邏輯數學模型之一提昇機器學習技術以獲得該組合模型。 10. 如條項1至9中任一項之方法,其中該邏輯模型預測該實體結構之該部分在一基板上之一抗蝕劑中的一顯影後但蝕刻前形成。 11. 如條項1至9中任一項之方法,其中該邏輯模型預測該實體結構之該部分於一基板上之一蝕刻後形成。 12. 如條項1至11中任一項之方法,其中該調適包含設計該圖案化程序之一部分。 13. 如條項1至12中任一項之方法,其中該調適包含調整該圖案化程序之一程序變數。 14. 如條項13之方法,其中該圖案化程序變數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、一膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、一影像場中之位置,及/或一基板上之位置。 15. 如條項1至14中之任一者之方法,其中該實體結構包含一積體電路之一電路特徵。 16. 一種方法,其包含: 獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及 藉由一硬體電腦將該影像之個別像素用作獨立結果以參數化預測使用該圖案化程序而產生之一實體結構之一部分之形成的一數學模型。 17. 如條項16之方法,其中該數學模型預測對應於該實體結構之一機率圖之一像素為某一值的一機率。 18. 如條項17之方法,其進一步包含判定該數學模型之參數使一像素之一預測值等於該像素自該經量測影像之一經量測值的一似然性最大化的一估計值。 19. 如條項16至18中任一項之方法,其中該等像素中之每一者具有僅兩個值中之一者。 20. 如條項16至19中任一項之方法,其包含尋找最大化以下方程式之一參數集合θ:其中為來自該經量測影像之對應像素i
之為0或1的二進位量測值、P
為描述一像素對應於某一值之一機率的一數學函數,且θ為該函數P
之該參數集合。 21. 如條項16至20中任一項之方法,其中該影像為一掃描電子顯微鏡影像。 22. 如條項16至21中任一項之方法,其中該數學模型包含一邏輯數學模型。 23. 如條項22之方法,其中該邏輯模型之一邏輯函數具有一指數涉及3個或多於3個參數的一自然對數。 24. 如條項22或條項23之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之一設計圖案的模糊度之一函數。 25. 如條項22至24中任一項之方法,其中該邏輯數學模型包含以下形式之一函數:其中a
為描述用以形成該實體結構之一設計圖案之一空中影像的一函數,且γ及τ為特定用於該圖案化程序之參數。 26. 如條項22至25中任一項之方法,其中該邏輯模型之一邏輯函數具有一指數涉及5個或多於5個參數的一自然對數。 27. 如條項22至26中任一項之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之該設計圖案之一空中影像的一曲率之一函數。 28. 如條項22至27中任一項之方法,其中該邏輯數學模型包含以下形式之一函數:其中為描述用以形成該實體結構之一設計圖案m
之一空中影像的模糊度之一函數、為描述用以形成該實體結構之該設計圖案m
之一空中影像的曲率之一函數,且θ1
、θ2
、θ3
、θ4
及θ5
為特定用於該圖案化程序之參數。 29. 如條項16至28中任一項之方法,其中將該影像之個別像素用作獨立結果以參數化該數學模型包含基於該等獨立結果執行一提昇機器學習技術以評估複數個分類器模型。 30. 如條項29之方法,其中該等分類器模型中之至少一者包含一邏輯數學模型。 31. 如條項16至30中任一項之方法,其中該模型預測該實體結構之該部分在一基板上之一抗蝕劑中的一顯影後但蝕刻前形成。 32. 如條項16至30中任一項之方法,其中該邏輯模型預測該實體結構之該部分於一基板上之一蝕刻後形成。 33. 如條項16至28中任一項之方法,其進一步包含基於該數學模型之一輸出而調適該圖案化程序之一態樣。 34. 如條項33之方法,其中該調適包含設計該圖案化程序之一部分。 35. 如條項33或條項34之方法,其中該調適包含調整該圖案化程序之一程序變數。 36. 如條項35之方法,其中該圖案化程序變數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、一膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、一影像場中之位置,及/或一基板上之位置。 37. 如條項16至36中之任一項之方法,其中該實體結構包含一積體電路之一電路特徵。 38. 一種方法,其包含: 獲得包含藉由一提昇機器學習演算法而判定之複數個分類器模型的一組合數學模型,該組合數學模型預測使用一圖案化程序而產生之一實體結構之形成; 藉由一硬體電腦評估該組合數學模型以預測該實體結構之一部分之形成且產生一輸出;及 基於該輸出而調適該圖案化程序之一態樣。 39. 如條項38之方法,其中該等分類器模型中之至少一者包含一邏輯數學模型。 40. 如條項38或條項39之方法,其中該等分類器模型中之至少一者描述在該圖案化程序之至少部分期間之一設計圖案之模糊度及/或應變。 41. 如條項38至40中任一項之方法,其進一步包含執行該提昇機器學習演算法以獲得該等分類器模型,該提昇機器學習演算法將一實體結構之一經量測影像之像素值用作結果進行學習。 42. 一種方法,其包含: 獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及 藉由一硬體電腦執行一提昇機器學習演算法以參數化複數個分類器模型,該提昇機器學習演算法將該經量測影像之像素之值用作結果,且該等分類器模型之一組合預測使用該圖案化程序而產生之一實體結構之一部分的形成。 43. 如條項42之方法,其中該等分類器模型中之至少一者包含一邏輯數學模型。 44. 如條項42或條項43之方法,其中該等分類器模型中之至少一者描述在該圖案化程序之至少部分期間之一設計圖案之模糊度及/或應變。 45. 如條項42至44中任一項之方法,其進一步包含評估該組合數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適該圖案化程序之一態樣。 46. 一種製造器件之方法,其中使用一圖案化程序將一器件圖案施加至一系列基板,該方法包括使用如條項1至45中任一項之方法之該數學模型的一輸出來評估使用該圖案化程序而形成之一經圖案化結構;及根據該方法之結果針對該等基板中之一或多者而控制該圖案化程序。 47. 如條項46之方法,其中使該經圖案化結構形成於該等基板中之至少一者上,且根據該方法之該結果針對稍後基板而控制該圖案化程序。 48. 一種非暫時性電腦程式產品,其包含經組態以致使一處理器執行如條項1至47中任一項之方法的機器可讀指令。 49. 一種系統,其包含: 一掃描電子顯微鏡,其經組態以提供一以微影方式產生之結構的一影像;及 一影像分析引擎,其包含如條項48之非暫時性電腦程式產品。 50. 如條項49之系統,其進一步包含一微影設備,該微影設備包含:一支撐結構,其經組態以固持用以調變一輻射光束之一圖案化器件;及一投影光學系統,其經配置以將該經調變投影至一輻射敏感基板上。 以上描述意欲為說明性,而非限制性的。因此,對於熟習此項技術者而言將顯而易見,可在不脫離下文所闡明之申請專利範圍的範疇的情況下對所描述之本發明進行修改。舉例而言,一或多個實施例之一或多個態樣可在適當時與一或多個其他實施例之一或多個態樣組合或由一或多個其他實施例之一或多個態樣取代。因此,基於本文中所呈現之教示及指導,此等調適及修改意欲在所揭示之實施例之等效者的涵義及範圍內。應理解,本文中之措辭或術語係出於例如描述而非限制之目的,以使得本說明書之術語或措辭待由熟習此項技術者按照該等教示及該指導進行解譯。本發明之廣度及範疇不應由上述例示性實施例中之任一者限制,而應僅根據以下申請專利範圍及其等效者進行界定。
100‧‧‧基板
101‧‧‧基板台
200‧‧‧掃描電子顯微鏡(SEM)
201‧‧‧電子源
202‧‧‧初級電子束
203‧‧‧聚光器透鏡
204‧‧‧光束偏轉器
205‧‧‧E x B偏轉器
206‧‧‧物鏡
207‧‧‧次級電子偵測器
208‧‧‧類比/數位(A/D)轉換器
300‧‧‧影像處理系統
301‧‧‧儲存媒體
302‧‧‧顯示器件
303‧‧‧記憶體
304‧‧‧處理單元
400‧‧‧圖案化程序輸入
410‧‧‧數學模型
420‧‧‧模型
430‧‧‧模型狀態估計
440‧‧‧改變、設計、調節等圖案化程序之參數/變數
450‧‧‧目標
500‧‧‧程序
510‧‧‧程序
520‧‧‧程序
530‧‧‧程序
600‧‧‧程序
610‧‧‧程序
620‧‧‧程序
1200‧‧‧設計圖案
1205‧‧‧經量測影像
1210‧‧‧像素
1220‧‧‧加權元組
1230‧‧‧元組
1400‧‧‧「+」元組
1500‧‧‧區
1600‧‧‧分類器模型
1605‧‧‧分類器模型
1610‧‧‧第三分類器模型
1615‧‧‧組合模型
1620‧‧‧「-」元組
1625‧‧‧「-」元組
1630‧‧‧「+」元組
1700‧‧‧程序
1710‧‧‧程序
1720‧‧‧程序
AD‧‧‧調整器
AS‧‧‧對準感測器
B‧‧‧輻射光束
BD‧‧‧光束遞送系統
BK‧‧‧烘烤板
C‧‧‧目標部分
CH‧‧‧冷卻板
CO‧‧‧聚光器
DE‧‧‧顯影器
D1‧‧‧值
D2‧‧‧值
F1‧‧‧影像特徵/影像特徵值
F2‧‧‧影像特徵/影像特徵值
IF‧‧‧位置感測器
IL‧‧‧照明系統/照明器
IN‧‧‧積光器
I/O1‧‧‧輸入/輸出埠
I/O2‧‧‧輸入/輸出埠
LA‧‧‧微影設備
LACU‧‧‧微影控制單元
LB‧‧‧裝載匣
LC‧‧‧微影製造單元
LS‧‧‧位階感測器
M1‧‧‧光罩對準標記
M2‧‧‧光罩對準標記
MA‧‧‧圖案化器件
MT‧‧‧支撐結構/光罩台/圖案化器件支撐件
P1‧‧‧基板對準標記
P2‧‧‧基板對準標記
PM‧‧‧第一定位器
PS‧‧‧投影系統
PW‧‧‧第二定位器
RF‧‧‧參考框架
RO‧‧‧基板處置器或機器人
SC‧‧‧旋塗器
SCS‧‧‧監督控制系統
SO‧‧‧輻射源
TCU‧‧‧塗佈顯影系統控制單元
W‧‧‧基板
WTa‧‧‧基板台/台
WTb‧‧‧基板台/台
現在將參看隨附圖式而僅作為實例來描述實施例,在該等圖式中: 圖1示意性地描繪微影設備之實施例; 圖2示意性地描繪微影製造單元或叢集之實施例; 圖3示意性地描繪掃描電子顯微鏡(SEM)之實施例; 圖4示意性地描繪根據一實施例之實例模型預測系統之綜述; 圖5描繪產生及應用模型預測系統之實例程序; 圖6描繪導出用於模型預測系統之模型的實例程序; 圖7A、圖7B、圖7C及圖7D描繪設計圖案、空中影像、機率圖及抗蝕劑影像之實例; 圖8A、圖8B、圖8C及圖8D描繪設計圖案、空中影像、機率圖及抗蝕劑影像之實例; 圖9A、圖9B、圖9C及圖9D展示用於不同設計圖案之模型參數之協方差的實例; 圖10A、圖10B、圖10C、圖10D及圖10E展示用於不同設計圖案之模型參數之協方差的實例; 圖11A展示設計圖案之示意性實例,且圖11B、圖11C及圖11D展示對應經導出影像特徵(即模糊度、應變及曲率)之示意性實例,且圖11E展示對應於設計圖案之經曝光圖案之二進位化經量測影像的示意性實例; 圖12描繪根據複數個經導出影像特徵來分類設計圖案之部分的示意性實例; 圖13描繪判定第一分類器模型之示意性實例; 圖14描繪處理分類殘差之示意性實例; 圖15描繪判定第二分類器模型之示意性實例; 圖16描繪將分類器模型組合成組合模型之示意性實例;及 圖17描繪基於如本文中所描述之模型及/或模型預測系統之缺陷偵測、模型識別、現有模型校準、缺陷分類、缺陷估計、程序監控、程序控制、程序設計、設計圖案設計等的程序。
Claims (14)
- 一種用於影像分析之方法,其包含:獲得預測使用一圖案化程序而產生之一實體結構(physical structure)之形成的一邏輯數學模型(logistic mathematical model);藉由一硬體電腦評估該邏輯數學模型以預測該實體結構之一部分之形成且產生一輸出;及基於該輸出而調適(adapting)該圖案化程序之一態樣(aspect),其中該邏輯數學模型預測對應於該實體結構之一機率圖(probability map)之一像素的一機率為一特定(certain)值。
- 如請求項1之方法,其中該邏輯數學模型之一邏輯函數具有一指數涉及3個或多於3個參數的一自然對數。
- 如請求項1之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之一設計圖案的模糊度之一函數。
- 如請求項1之方法,其中該邏輯數學模型包含以下形式之一函數:
- 如請求項1之方法,其中該邏輯數學模型之一邏輯函數具有一指數涉 及5個或多於5個參數的一自然對數。
- 如請求項1之方法,其中該邏輯數學模型包含在該圖案化程序之至少部分期間之該設計圖案之一空中影像的一曲率之一函數。
- 如請求項1之方法,其中該邏輯數學模型包含以下形式之一函數:
- 如請求項1之方法,其中該評估包含評估一組合模型,該組合模型包含包括該邏輯數學模型之複數個分類器模型之一組合,其中該獲得包含執行涉及該邏輯數學模型之一提昇機器學習技術以獲得該組合模型。
- 如請求項1之方法,其中該邏輯數學模型預測該實體結構之該部分在一基板上之一抗蝕劑中的一顯影後但蝕刻前形成。
- 如請求項1之方法,其中該邏輯數學模型預測該實體結構之該部分於一基板上之一蝕刻後形成。
- 如請求項1之方法,其中該調適包含設計該圖案化程序之一部分。
- 如請求項1之方法,其中該調適包含調整該圖案化程序之一程序變數,其中該圖案化程序變數包含選自以下各項中之一或多者:焦點、曝光劑量、數值孔徑、一膜堆疊屬性、投影系統光學像差、輻射相干性、照明強度分佈、一影像場中之位置,及/或一基板上之位置。
- 一種用於影像分析之方法,其包含:獲得使用一圖案化程序而產生之一實體結構之一經量測影像;及藉由一硬體電腦將該影像之個別像素用作獨立結果以參數化預測使用該圖案化程序而產生之一實體結構之一部分之形成的一數學模型,其中該邏輯數學模型預測對應於該實體結構之一機率圖之一像素的一機率為一特定值。
- 如請求項13之方法,其進一步包含判定該邏輯數學模型之參數使一像素之一預測值等於該像素自該經量測影像之一經量測值的一似然性最大化的一估計值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16204832.6A EP3336608A1 (en) | 2016-12-16 | 2016-12-16 | Method and apparatus for image analysis |
??EP16204832 | 2016-12-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201828335A TW201828335A (zh) | 2018-08-01 |
TWI669750B true TWI669750B (zh) | 2019-08-21 |
Family
ID=57570520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106143866A TWI669750B (zh) | 2016-12-16 | 2017-12-14 | 用於影像分析之方法及設備 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11067901B2 (zh) |
EP (1) | EP3336608A1 (zh) |
KR (1) | KR102271278B1 (zh) |
CN (1) | CN110088687B (zh) |
TW (1) | TWI669750B (zh) |
WO (1) | WO2018108528A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI788171B (zh) * | 2021-09-01 | 2022-12-21 | 鴻海精密工業股份有限公司 | 影像處理裝置以及超解析處理方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180239851A1 (en) * | 2017-02-21 | 2018-08-23 | Asml Netherlands B.V. | Apparatus and method for inferring parameters of a model of a measurement structure for a patterning process |
JP2018185452A (ja) * | 2017-04-27 | 2018-11-22 | ルネサスエレクトロニクス株式会社 | 半導体装置およびその製造方法 |
US10580673B2 (en) * | 2018-01-05 | 2020-03-03 | Kla Corporation | Semiconductor metrology and defect classification using electron microscopy |
DE112019000022T5 (de) * | 2018-01-31 | 2019-10-24 | Asml Netherlands B.V. | Verfahren zum Kennzeichnen von Substraten auf der Basis von Prozessparametern |
CN112969968A (zh) * | 2018-11-08 | 2021-06-15 | Asml荷兰有限公司 | 基于过程变化度的空间特性对不合格的预测 |
CN113168556A (zh) * | 2018-11-30 | 2021-07-23 | Asml荷兰有限公司 | 用于降低机器学习模型预测中的不确定性的方法 |
US20220179321A1 (en) * | 2019-03-25 | 2022-06-09 | Asml Netherlands B.V. | Method for determining pattern in a patterning process |
US20220187713A1 (en) | 2019-04-04 | 2022-06-16 | Asml Netherlands B.V. | Method and apparatus for predicting substrate image |
CN110598616B (zh) * | 2019-09-03 | 2022-01-14 | 浙江工业大学 | 一种人机系统中人的状态的识别方法 |
CN111146104B (zh) * | 2019-11-29 | 2023-09-05 | 上海集成电路研发中心有限公司 | 一种关键尺寸误差分析方法 |
US11321835B2 (en) * | 2020-03-17 | 2022-05-03 | Applied Materials Israel Ltd. | Determining three dimensional information |
CN114175093A (zh) * | 2020-05-29 | 2022-03-11 | 京东方科技集团股份有限公司 | 显示面板的检测装置、检测方法、电子装置、可读介质 |
US11250199B1 (en) * | 2020-09-16 | 2022-02-15 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for generating shape data for electronic designs |
TWI806412B (zh) * | 2022-02-08 | 2023-06-21 | 中華精測科技股份有限公司 | 標記產品全域高點的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201011473A (en) * | 2008-06-03 | 2010-03-16 | Brion Tech Inc | Model-based scanner tuning systems and methods |
WO2012016243A2 (en) * | 2010-07-30 | 2012-02-02 | Kla-Tencor Corporation | Region based virtual fourier filter |
US20150149971A1 (en) * | 2013-11-26 | 2015-05-28 | International Business Machines Corporation | Optimizing lithography masks for vlsi chip design |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3583622B2 (ja) * | 1998-08-07 | 2004-11-04 | 株式会社東芝 | レジストパターン予測方法 |
US7292315B2 (en) * | 2003-12-19 | 2007-11-06 | Asml Masktools B.V. | Optimized polarization illumination |
JP2009194107A (ja) * | 2008-02-13 | 2009-08-27 | Canon Inc | 有効光源形状のデータベースの生成方法、光学像の算出方法、プログラム、露光方法及びデバイス製造方法 |
NL2005733A (en) * | 2009-12-08 | 2011-06-09 | Asml Netherlands Bv | Methods and apparatus for determining electromagnetic scattering properties and structural parameters of periodic structures. |
US20110202893A1 (en) * | 2010-02-16 | 2011-08-18 | Ir Kusnadi | Contour Self-Alignment For Optical Proximity Correction Model Calibration |
US8607168B2 (en) * | 2010-02-16 | 2013-12-10 | Mentor Graphics Corporation | Contour alignment for model calibration |
DE102010030758B4 (de) * | 2010-06-30 | 2018-07-19 | Globalfoundries Dresden Module One Limited Liability Company & Co. Kg | Steuerung kritischer Abmessungen in optischen Abbildungsprozessen für die Halbleiterherstellung durch Extraktion von Abbildungsfehlern auf der Grundlage abbildungsanlagenspezifischer Intensitätsmessungen und Simulationen |
CN105849643B (zh) * | 2013-12-17 | 2019-07-19 | Asml荷兰有限公司 | 良品率估计和控制 |
CN105992975B (zh) * | 2014-02-11 | 2018-06-01 | Asml荷兰有限公司 | 用于计算任意图案的随机变化的模型 |
US9733576B2 (en) * | 2014-03-17 | 2017-08-15 | Kla-Tencor Corporation | Model for accurate photoresist profile prediction |
US10025201B2 (en) * | 2014-04-14 | 2018-07-17 | Asml Netherlands B.V. | Flows of optimization for lithographic processes |
-
2016
- 2016-12-16 EP EP16204832.6A patent/EP3336608A1/en not_active Withdrawn
-
2017
- 2017-11-29 US US16/464,705 patent/US11067901B2/en active Active
- 2017-11-29 CN CN201780078139.XA patent/CN110088687B/zh active Active
- 2017-11-29 WO PCT/EP2017/080774 patent/WO2018108528A1/en active Application Filing
- 2017-11-29 KR KR1020197020482A patent/KR102271278B1/ko active IP Right Grant
- 2017-12-14 TW TW106143866A patent/TWI669750B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201011473A (en) * | 2008-06-03 | 2010-03-16 | Brion Tech Inc | Model-based scanner tuning systems and methods |
WO2012016243A2 (en) * | 2010-07-30 | 2012-02-02 | Kla-Tencor Corporation | Region based virtual fourier filter |
US20150149971A1 (en) * | 2013-11-26 | 2015-05-28 | International Business Machines Corporation | Optimizing lithography masks for vlsi chip design |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI788171B (zh) * | 2021-09-01 | 2022-12-21 | 鴻海精密工業股份有限公司 | 影像處理裝置以及超解析處理方法 |
Also Published As
Publication number | Publication date |
---|---|
KR102271278B1 (ko) | 2021-07-01 |
EP3336608A1 (en) | 2018-06-20 |
CN110088687A (zh) | 2019-08-02 |
CN110088687B (zh) | 2021-11-30 |
TW201828335A (zh) | 2018-08-01 |
US20190310554A1 (en) | 2019-10-10 |
WO2018108528A1 (en) | 2018-06-21 |
US11067901B2 (en) | 2021-07-20 |
KR20190094425A (ko) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI669750B (zh) | 用於影像分析之方法及設備 | |
US11847570B2 (en) | Deep learning for semantic segmentation of pattern | |
TWI700547B (zh) | 用於計算度量衡之方法及電腦程式產品 | |
KR102349124B1 (ko) | 측정 방법 및 장치 | |
TWI721298B (zh) | 度量衡方法及相關之電腦程式產品 | |
JP7443431B2 (ja) | 計算メトロロジに基づく補正および制御 | |
TWI575628B (zh) | 用於影像分析之方法和裝置 | |
TWI630636B (zh) | 用於檢測的方法和設備 | |
TWI682246B (zh) | 用於影像分析之方法和系統、用於製造半導體器件之方法及非暫時性電腦產品 | |
TWI691807B (zh) | 基於參數之機率密度函數的控制 | |
TW201532124A (zh) | 製程窗優化器 | |
TWI729475B (zh) | 量測方法與裝置 | |
TW201937270A (zh) | 引導式圖案化裝置檢測 |